본 논문은 개인 수준의 데이터에 대한 중앙 집중식 접근을 가정하는 일반적인 인과 추론의 한계를 극복하기 위해, 분산된 관측 데이터로부터 평균 처리 효과(ATE)를 추정하는 새로운 방법을 제안합니다. 개인 데이터를 직접 교환하는 대신 집계 통계량을 교환하는 연합 학습(Federated Learning)을 활용하여 개인 정보 보호, 물류 또는 법적 제약으로 인해 데이터 중앙 집중화가 불가능한 상황에서도 ATE 추정을 가능하게 합니다. 특히, 멤버십 가중치(MW)와 밀도 비 가중치(DW)라는 두 가지 이론적으로 뒷받침되는 가중치 방식을 사용하여 지역적 점수의 연합 가중 평균을 계산함으로써, 비모수적 방식으로 경향성 점수를 추정하는 새로운 방법을 제안합니다. 이렇게 추정된 연합 경향성 점수를 사용하여 연합 역 경향성 가중 추정량(Fed-IPW)과 그 확장 버전인 연합 증강 역 경향성 가중 추정량(Fed-AIPW) 두 가지 ATE 추정량을 구성합니다. 메타 분석 방법과 달리, 어떤 사이트라도 양성 조건을 위반하면 실패하는 문제를 해결하며, 사이트 간 치료 할당의 이질성을 활용하여 중첩을 개선합니다. 모의 실험과 실제 데이터를 통한 실험을 통해, 표본 크기, 치료 메커니즘 및 공변량 분포의 사이트 수준 이질성 하에서 Fed-IPW와 Fed-AIPW가 우수한 성능을 보임을 보여주고, 메타 분석 및 관련 방법과 비교하여 강점과 한계를 분석합니다.
